Le trouble du déficit de l’attention avec ou sans hyperactivité (TDAH) touche des millions d’enfants, pourtant beaucoup restent des années sans diagnostic, manquant ainsi l’occasion d’un soutien précoce qui peut changer les résultats à long terme, même lorsque des signes précoces sont présents.
Dans une nouvelle étude, des chercheurs de Duke Health ont découvert que les outils d’intelligence artificielle peuvent analyser les dossiers de santé électroniques courants pour estimer avec précision le risque qu’un enfant développe un TDAH des années avant un diagnostic typique. En examinant les schémas dans les données médicales quotidiennes, cette approche pourrait aider à repérer les enfants qui pourraient bénéficier d’une évaluation et d’un suivi plus précoces.
La recherche, publiée dans Nature Mental Health le 27 avril, souligne comment des informations puissantes peuvent provenir de données déjà collectées lors de visites médicales régulières pour soutenir la prise de décision précoce par les prestataires de soins primaires.
« Nous avons cette source d’informations incroyablement riche dans les dossiers de santé électroniques », a déclaré Elliot Hill, auteur principal de l’étude et scientifique des données au Département de biostatistique et de bioinformatique de la Faculté de médecine de l’Université Duke. « L’idée était de voir si les modèles cachés dans ces données pouvaient nous aider à prédire quels enfants pourraient plus tard être diagnostiqués avec un TDAH, bien avant que ce diagnostic n’intervienne habituellement. »
Pour parvenir à ces résultats, les chercheurs ont analysé les dossiers de santé électroniques de plus de 140 000 enfants, avec et sans TDAH. Ils ont formé un modèle d’IA spécialisé pour examiner les antécédents médicaux de la naissance à la petite enfance. Le modèle a appris à reconnaître des combinaisons d’événements développementaux, comportementaux et cliniques qui apparaissaient souvent des années avant qu’un diagnostic de TDAH ne soit posé.
Le modèle était très précis pour estimer le risque futur de TDAH chez les enfants de 5 ans et plus, avec des performances constantes indépendamment des caractéristiques des patients comme le sexe, la race, l’origine ethnique et le statut d’assurance.
Il est important de noter que l’outil ne pose pas de diagnostic. Il identifie les enfants qui pourraient bénéficier d’une attention plus soutenue de la part de leur pédiatre traitant ou d’une orientation plus précoce vers un spécialiste pour une évaluation du TDAH.
« Ce n’est pas un médecin IA », a déclaré Matthew Engelhard, M.D., Ph.D., du Département de biostatistique et de bioinformatique de Duke, et auteur principal de l’étude. « C’est un outil pour aider les cliniciens à concentrer leur temps et leurs ressources, afin que les enfants qui ont besoin d’aide ne passent pas entre les mailles du filet ou n’attendent pas des années pour obtenir des réponses. »
Les chercheurs notent qu’une identification plus précoce pour le dépistage pourrait conduire à un diagnostic plus précoce et donc à un soutien plus précoce, ce qui est lié à de meilleurs résultats académiques, sociaux et de santé pour les enfants atteints de TDAH. Ils soulignent également la nécessité d’études supplémentaires avant que de tels outils ne soient utilisés en milieu clinique.
« Les enfants atteints de TDAH peuvent vraiment avoir du mal lorsque leurs besoins ne sont pas compris et que des soutiens adéquats ne sont pas en place », a déclaré l’auteur de l’étude, Naomi Davis, Ph.D., professeure associée au Département de psychiatrie et des sciences du comportement. « Mettre en relation les familles avec des interventions fondées sur des données probantes et en temps opportun est essentiel pour les aider à atteindre leurs objectifs et à jeter les bases d’un succès futur. »
Hill et Engelhard ont également recherché l’utilisation de modèles d’IA pour prédire les risques potentiels et les causes des maladies mentales chez les adolescents.
Outre Hill, Engelhard et Davis, les auteurs de cette étude incluent De Rong Loh, Benjamin A. Goldstein et Geraldine Dawson.
